(北京大学本科论文)基于AdaBoost 算法的人脸检测
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1.3.1 人脸图像数据库 ...............................................................................................4 1.3.2 性能评测..........................................................................................................6
A, T, G, C, 1 and 0, the building blocks of intelligence. and to the pioneers uncovering the foundations of intelligence.
III
北京大学本科生毕业论文
正文目录 Contents
IV
北京大学本科生毕业论文
4.2 PAC 学习模型 ............................................................................16
4.2.1 概述............................................................................................................... 16 4.2.2 数学描述........................................................................................................ 17
北京大学本科生毕业论文 摘要Abstract人脸检测是人脸分析的首要环节，其处理的问题是确认图像（或影像）中是 否存在人脸，如果存在则对人脸进行定位。人脸检测的应用领域相当广泛，是实 现机器智能化的重要步骤之一。 AdaBoost 算法是 1995 年提出的一种快速人脸检测算法， 是人脸检测领域里 程碑式的进步，这种算法根据弱学习的反馈，适应性地调整假设的错误率，使在 效率不降低的情况下，检测正确率得到了很大的提高。 本论文第一章和第二章简述了人脸检测的一般情况， 第三章对一些人脸检测 的经典方法进行了说明。 第四章讲述了 AdaBoost 算法的发展历史。从 PCA 学习模型到弱学习和强 学习相互关系的论证 ，再到 Boosting 算法的最终提出，阐述了 Adaptive Boost ing 算法的发展脉络。 第五章对影响 AdaBoost 人脸检测训练算法速度的至关重要的两方面：矩形 特征和积分图的概念和理论进行了仔细的阐明。 第六章给出了 AdaBoost 的算法，并深入探讨了其中的一些关键问题——弱 学习器的构造、选取等问题。 最后一章，用编写的实现了 AdaBoost 算法的 Fá Dè t 程序，给出了相应的 人脸检测实验结果，并和 Viola 等人的结果做了比较。
5.3 积分图 INTEGRAL IMAGE............................................................ 25
5.3.1 概念...............................................................................................................25 5.3.2 利用积分图计算矩形特征值............................................................................27
关键词 Keywords AdaBoost 方法、人脸检测、Boosting 方法、PCA 学习模型、弱学习
II
北京大学本科生毕业论文
谨以此论文献给
A-腺嘌呤、 T－胸腺嘧啶、 G-鸟嘌呤、 C-胞嘧啶、 1 和 0 ——智能的基本构件 和 开拓智能研究的伟大先驱者们
This dissertation is dedicated to
5.2.3.1 5.2.3.2 5.2.3.3 5.2.3.4 子窗口内的条件矩形............................................................................... 22 条件矩形的数量..................................................................................... 23 子窗口的特征矩形数量............................................................................ 23 结果.................................................................................................... 24
4.3 弱学习与强学习 ..........................................................................18 4.4 BOOSTING 方法 ..........................................................................19 5 矩形特征与积分图 .......................................................................... 20 5.1 引言 ......................................................................................... 20 5.2 矩形特征 RECTANGLE FEATURE .................................................. 20
2 检测方法分类 ................................................................................... 8 2.1 基于知识的方法 ........................................................................... 8 2.2 特征不变量方法 ........................................................................... 9 2.3 模板匹配的方法 ..........................................................................10 2.4 基于表象的方法 .......................................................................... 11 3 经典方法概述 ..................................................................................12 3.1 神经网络 NEURAL NETWORK ......................................................12 3.2 特征脸 EIGENFACE .....................................................................13 3.3 基于样本学习方法 EXAMPLE-BASED METHODS.............................14 3.4 支持向量机 SUPPORT VECTOR MACHINE (SVM) ...........................15 3.5 隐马尔科夫模型 HIDDEN MARKOV MODEL (HMM) ......................15 4 ADABOOST 方法概述 ....................................................................16 4.1 引言 ..........................................................................................16
5.3.2.1 5.3.2.2 图像区域的积分图计算............................................................................ 27 矩形特征的特征值计算............................................................................ 28
5.2.1 概述...............................................................................................................20 5.2.2 特征模版........................................................................................................ 21 5.2.3 检测器内特征总数..........................................................................................22
摘要 ABSTRACT ................................................................................ II 正文目录 CONTENTS........................................................................ IV 图目录 LIST OF FIGURES ............................................................... VII 表目录 LIST OF TABLES ............................................................... VIII 1 人脸检测 ..........................................................................................1 1.1 概念 ............................................................................................1 1.2 难点与展望 .................................................................................. 2 1.3 人脸检测方法的性能评测 .............................................................. 4
北京大学
本科生毕业论文
基于 AdaBoost 算法的人脸检测
Face Detection Based on AdaBoost
姓 名：赵楠 学 号：00105029 院 系：物理学院物理学系
指导老师：查红彬 教授 导师单位：视觉与听觉信息处理国家重点实验室 信息科学技术学院智能科学系 二○○五年六月
A, T, G, C, 1 and 0, the building blocks of intelligence. and to the pioneers uncovering the foundations of intelligence.
III
北京大学本科生毕业论文
正文目录 Contents
IV
北京大学本科生毕业论文
4.2 PAC 学习模型 ............................................................................16
4.2.1 概述............................................................................................................... 16 4.2.2 数学描述........................................................................................................ 17
北京大学本科生毕业论文 摘要Abstract人脸检测是人脸分析的首要环节，其处理的问题是确认图像（或影像）中是 否存在人脸，如果存在则对人脸进行定位。人脸检测的应用领域相当广泛，是实 现机器智能化的重要步骤之一。 AdaBoost 算法是 1995 年提出的一种快速人脸检测算法， 是人脸检测领域里 程碑式的进步，这种算法根据弱学习的反馈，适应性地调整假设的错误率，使在 效率不降低的情况下，检测正确率得到了很大的提高。 本论文第一章和第二章简述了人脸检测的一般情况， 第三章对一些人脸检测 的经典方法进行了说明。 第四章讲述了 AdaBoost 算法的发展历史。从 PCA 学习模型到弱学习和强 学习相互关系的论证 ，再到 Boosting 算法的最终提出，阐述了 Adaptive Boost ing 算法的发展脉络。 第五章对影响 AdaBoost 人脸检测训练算法速度的至关重要的两方面：矩形 特征和积分图的概念和理论进行了仔细的阐明。 第六章给出了 AdaBoost 的算法，并深入探讨了其中的一些关键问题——弱 学习器的构造、选取等问题。 最后一章，用编写的实现了 AdaBoost 算法的 Fá Dè t 程序，给出了相应的 人脸检测实验结果，并和 Viola 等人的结果做了比较。
5.3 积分图 INTEGRAL IMAGE............................................................ 25
5.3.1 概念...............................................................................................................25 5.3.2 利用积分图计算矩形特征值............................................................................27
关键词 Keywords AdaBoost 方法、人脸检测、Boosting 方法、PCA 学习模型、弱学习
II
北京大学本科生毕业论文
谨以此论文献给
A-腺嘌呤、 T－胸腺嘧啶、 G-鸟嘌呤、 C-胞嘧啶、 1 和 0 ——智能的基本构件 和 开拓智能研究的伟大先驱者们
This dissertation is dedicated to
5.2.3.1 5.2.3.2 5.2.3.3 5.2.3.4 子窗口内的条件矩形............................................................................... 22 条件矩形的数量..................................................................................... 23 子窗口的特征矩形数量............................................................................ 23 结果.................................................................................................... 24
4.3 弱学习与强学习 ..........................................................................18 4.4 BOOSTING 方法 ..........................................................................19 5 矩形特征与积分图 .......................................................................... 20 5.1 引言 ......................................................................................... 20 5.2 矩形特征 RECTANGLE FEATURE .................................................. 20
2 检测方法分类 ................................................................................... 8 2.1 基于知识的方法 ........................................................................... 8 2.2 特征不变量方法 ........................................................................... 9 2.3 模板匹配的方法 ..........................................................................10 2.4 基于表象的方法 .......................................................................... 11 3 经典方法概述 ..................................................................................12 3.1 神经网络 NEURAL NETWORK ......................................................12 3.2 特征脸 EIGENFACE .....................................................................13 3.3 基于样本学习方法 EXAMPLE-BASED METHODS.............................14 3.4 支持向量机 SUPPORT VECTOR MACHINE (SVM) ...........................15 3.5 隐马尔科夫模型 HIDDEN MARKOV MODEL (HMM) ......................15 4 ADABOOST 方法概述 ....................................................................16 4.1 引言 ..........................................................................................16
5.3.2.1 5.3.2.2 图像区域的积分图计算............................................................................ 27 矩形特征的特征值计算............................................................................ 28
5.2.1 概述...............................................................................................................20 5.2.2 特征模版........................................................................................................ 21 5.2.3 检测器内特征总数..........................................................................................22
摘要 ABSTRACT ................................................................................ II 正文目录 CONTENTS........................................................................ IV 图目录 LIST OF FIGURES ............................................................... VII 表目录 LIST OF TABLES ............................................................... VIII 1 人脸检测 ..........................................................................................1 1.1 概念 ............................................................................................1 1.2 难点与展望 .................................................................................. 2 1.3 人脸检测方法的性能评测 .............................................................. 4
北京大学
本科生毕业论文
基于 AdaBoost 算法的人脸检测
Face Detection Based on AdaBoost
姓 名：赵楠 学 号：00105029 院 系：物理学院物理学系
指导老师：查红彬 教授 导师单位：视觉与听觉信息处理国家重点实验室 信息科学技术学院智能科学系 二○○五年六月